CN116416113A - 基于二元t分布的数字水印检测方法 - Google Patents

基于二元t分布的数字水印检测方法 Download PDF

Info

Publication number
CN116416113A
CN116416113A CN202310459291.XA CN202310459291A CN116416113A CN 116416113 A CN116416113 A CN 116416113A CN 202310459291 A CN202310459291 A CN 202310459291A CN 116416113 A CN116416113 A CN 116416113A
Authority
CN
China
Prior art keywords
watermark
nsst
binary
distribution
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310459291.XA
Other languages
English (en)
Inventor
牛盼盼
代钰
王向阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Liaoning Normal University
Original Assignee
Liaoning Normal University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Liaoning Normal University filed Critical Liaoning Normal University
Priority to CN202310459291.XA priority Critical patent/CN116416113A/zh
Publication of CN116416113A publication Critical patent/CN116416113A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0021—Image watermarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2201/00—General purpose image data processing
    • G06T2201/005—Image watermarking
    • G06T2201/0061—Embedding of the watermark in each block of the image, e.g. segmented watermarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2201/00—General purpose image data processing
    • G06T2201/005—Image watermarking
    • G06T2201/0065—Extraction of an embedded watermark; Reliable detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于二元T分布的数字水印检测方法,首先，利用NSST进行参数为[2 3]的分解，将尺度二能量最大高频子带划分成不重叠的大小为8×8的图像子块，按照熵值大小降序排列，选择与熵值最高的L个高熵块进行奇异值分解，通过乘性嵌入水印策略修改奇异值系数，然后进行SVD重构和逆变换获取含水印图像；接着，充分利用NSST域尺度间相关性，通过二元T分布对NSST域奇异值系数进行统计建模，并使用对数矩估计方法估计参数；最后，根据对数似然准则设计最大似然检测方法进行水印位提取。

Description

基于二元T分布的数字水印检测方法
技术领域
本发明涉及多媒体信息安全技术领域，具体为基于二元T分布的数字水印检测方法。
背景技术
多媒体技术的发展，不仅使人们获取资源的途径更加多样化，同时也带来了众多安全隐患，例如：网站的非法入侵、信息的非法传播、版权安全等问题。因此，多媒体版权保护和内容认证问题亟待解决。图像水印技术为多媒体安全领域提供了有效的技术手段。
数字图像水印技术包括两部分，分别是水印嵌入和水印提取。水印嵌入是通过嵌入策略将水印嵌入到图像中，既保留了图像的使用价值，又将版权信息隐藏到图像中。水印提取则是利用技术手段从含水印图像中提取水印信息，从而证明该图像的所有权归属。数字图像水印方案的优劣性需要从不可感知性、水印容量和鲁棒性三个方面进行综合评价，从信息学角度讲，三者具有固有的矛盾关系。因此，保持三者平衡是一项具有挑战性的工作。近年来，随着数字图像水印技术的飞速发展，众多具有创新性的水印方案陆续被提出，但实现不可感知性、水印容量、鲁棒性三者之间的平衡问题仍是数字图像水印技术领域的一大难题。
为实现不可感知性、水印容量、鲁棒性之间的良好平衡，数字图像水印技术领域通常先利用变换方法对图像进行处理，再使用乘性嵌入策略嵌入水印。这是因为变换域对常见信号攻击类型具有鲁棒性，而乘性嵌入方法的优点在于，水印的嵌入强度能随着图像信号的强弱改变，二者的互相结合可以在一定程度上保持鲁棒性与不可感知性的平衡。基于统计模型的数字图像水印方案的核心是利用统计分布有效地提取水印，进而确定图像所属权。然而，近年来对图像水印技术的深入研究发现，传统的基于统计模型的水印方案存在一些不足之处：首先，仅使用变换域对图像信号进行处理，其鲁棒性还远远不足；其次，在当前大多数水印方案中，图像信号间的相关特性未被充分利用；最后，当前大多数水印方案利用传统最大似然估计方法估计模型参数，其参数精度相对较低，估计时间相对较长。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
基于二元T分布的数字水印检测方法，
约定：I和I'分别表示原始图像信号和含水印图像信号，N1×N1表示图像尺寸；Dj[x,y]表示非下采样剪切波变换(NSST)域系数，j为子带方向；wl(l＝1,2,...,L)代表水印序列，L是水印长度；Ql为奇异值系数矩阵；Bk为高熵块，k＝1,2,...,L；xi和yi分别表示原始图像和含水印图像的NSST域奇异值系数；α表示水印的嵌入强度；p表示维数，ν表示形状参数，μ表示均值向量，Σ表示协方差矩阵；H1和H0分别为在NSST域奇异值中嵌入“1”和“-1”的假设；
所述基于二元T分布的数字水印检测方法包括水印嵌入和水印提取过程，
所述水印嵌入流程如下：
S1：初始设置：通过初始化设置得到原始图像信号I；
S2：水印嵌入：
S2.1：采用NSST对尺寸大小为N1×N1的原始图像I进行分解，设置参数为[2 3]，得到一个低频子带以及第一尺度8个方向高频子带和第二尺度4个方向高频子带；
S2.2：计算第二尺度能量最大高频子带：
Figure BDA0004200173430000031
Dj[x,y]为NSST域系数，j表示子带方向；
S2.3：将第二尺度能量最大的高频子带划分成不重叠的大小为8×8的图像子块，按照熵值大小降序排列，选择前L个高熵块B1,B2,...,BL进行奇异值分解，得到L个奇异值系数集合Ql(l＝1,2,...,L)；
S2.4：通过乘性水印嵌入策略修改奇异值集合Ql(l＝1,2,...,L)中的奇异值系数，得到含水印的奇异值集合；
S2.5：进行SVD重构和逆NSST变换获取含水印图像I'；
所述水印提取流程如下所示：
S3：基于二元T分布建立模型：
S3.1：采用NSST对尺寸为N1×N1的含水印图像I'进行分解，设置参数为[23]，得到一个低频子带以及第一尺度8个方向和第二尺度4个方向高频子带；
S3.2：分别选取第一尺度和第二尺度高频子带中能量最大的高频方向子带，将这两个高频子带分别划分成不重叠的大小为8×8的图像子块，找到嵌入水印时记录的前L个高熵块Bl(l＝1,2,...,L)进行奇异值分解，得到奇异值系数集合来构造最大似然检测方法实现水印提取；
S3.3：对含水印的奇异值系数集合利用二元T分布进行统计建模，假设p维随机向量服从多元T分布，则多元T分布的联合概率密度函数为：
Figure BDA0004200173430000032
其中：
Figure BDA0004200173430000041
其中，ν表示形状参数，μ表示均值向量，Σ表示协方差矩阵；
S3.4：通过对数矩估计方法估计参数。首先假设向量X＝(X1,X2)T服从二元T分布，求样本X的r阶中心绝对阶矩，然后对mr求导，接着令r＝0，最后综合估计表达式计算参数值；
S3.5：将参数估计值保存，为构造检测方法实现水印提取做准备；
S4：设计最大似然解码器：
S4.1：根据统计理论，水印提取过程被认为是一个二值假设检验问题，设H1和H0分别为在NSST域奇异值中嵌入“1”和“-1”的假设，表示为：
Figure BDA0004200173430000042
其中，xi和yi分别为原始图像和含水印图像的NSST域奇异值系数，α表示嵌入强度参数；
S4.2：设计最大似然解码器：
Figure BDA0004200173430000043
S4.3：根据基于二元T分布的ML解码器，进行具体水印信息提取：
Figure BDA0004200173430000044
S4.4：根据最大似然检测方法，从含水印图像中提取水印序列。
作为本发明所述的基于二元T分布的数字水印检测方法的一种优选方案，其中，所述步骤2.4中乘性水印嵌入策略如下所示：
Figure BDA0004200173430000051
其中，xi和yi分别表示原始图像和含水印图像的NSST域奇异值系数，α表示水印的嵌入强度。
与现有技术相比，本发明具有的有益效果是：第一，采用参数为[2 3]的NSST和SVD相结合构造建模对象，这种方式一定程度上提高了水印方案的不可感知性和鲁棒性；
第二，引入二元T分布描述NSST域奇异值系数，一方面，可以准确地模拟出尖峰重尾的特征，另一方面，可以有效捕捉尺度间相关性；
第三，使用对数矩估计方法估计二元T分布模型参数，该方法降低了算法的复杂度，计算简单，可提供更精确的估计值。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明实施例中NSST域奇异值系数尺度间相关性分析图；
图2为本发明实施例中二元T分布(实线)拟合NSST域奇异值双变量经验PDF(虚线)的等值线图；
图3为本发明实施例中原始图像与含1024位水印图像；
图4为本发明实施例中含水印图像及所提取的水印图；
图5为本发明实施例中含1024位水印图像受到各种攻击的误码率变化图；
图6为本发明水印嵌入流程图；
图7为本发明水印提取流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明方法操作过程为：水印嵌入、基于二元T分布建立模型及设计ML解码器。
请参阅图6-7，基于二元T分布的数字水印检测方法，
约定：I和I'分别表示原始图像信号和含水印图像信号，N1×N1表示图像尺寸；Dj[x,y]表示非下采样剪切波变换(NSST)域系数，j为子带方向；wl(l＝1,2,...,L)代表水印序列，L是水印长度；Ql为奇异值系数矩阵；Bk为高熵块，k＝1,2,...,L；xi和yi分别表示原始图像和含水印图像的NSST域奇异值系数；α表示水印的嵌入强度；p表示维数，ν表示形状参数，μ表示均值向量，Σ表示协方差矩阵；H1和H0分别为在NSST域奇异值中嵌入“1”和“-1”的假设；
所述基于二元T分布的数字水印检测方法包括水印嵌入和水印提取过程，
所述水印嵌入流程如下：
S1：初始设置：通过初始化设置得到原始图像信号I；
S2：水印嵌入：
S2.1：采用NSST对尺寸大小为N1×N1的原始图像I进行分解，设置参数为[2 3]，得到一个低频子带以及第一尺度8个方向高频子带和第二尺度4个方向高频子带；
S2.2：计算第二尺度能量最大高频子带：
Figure BDA0004200173430000071
Dj[x,y]为NSST域系数，j表示子带方向；
S2.3：将第二尺度能量最大的高频子带划分成不重叠的大小为8×8的图像子块，按照熵值大小降序排列，选择前L个高熵块B1,B2,...,BL进行奇异值分解，得到L个奇异值系数集合Ql(l＝1,2,...,L)；
S2.4：通过乘性水印嵌入策略修改奇异值集合Ql(l＝1,2,...,L)中的奇异值系数，得到含水印的奇异值集合；
S2.5：进行SVD重构和逆NSST变换获取含水印图像I'；
所述水印提取流程如下所示：
S3：基于二元T分布建立模型：
S3.1：采用NSST对尺寸为N1×N1的含水印图像I'进行分解，设置参数为[23]，得到一个低频子带以及第一尺度8个方向和第二尺度4个方向高频子带；
S3.2：分别选取第一尺度和第二尺度高频子带中能量最大的高频方向子带，将这两个高频子带分别划分成不重叠的大小为8×8的图像子块，找到嵌入水印时记录的前L个高熵块Bl(l＝1,2,...,L)进行奇异值分解，得到奇异值系数集合来构造最大似然检测方法实现水印提取；
S3.3：对含水印的奇异值系数集合利用二元T分布进行统计建模，假设p维随机向量服从多元T分布，则多元T分布的联合概率密度函数为：
Figure BDA0004200173430000072
其中：
Figure BDA0004200173430000081
其中，ν表示形状参数，μ表示均值向量，Σ表示协方差矩阵；
S3.4：通过对数矩估计方法估计参数。首先假设向量X＝(X1,X2)T服从二元T分布，求样本X的r阶中心绝对阶矩，然后对mr求导，接着令r＝0，最后综合估计表达式计算参数值；
S3.5：将参数估计值保存，为构造检测方法实现水印提取做准备；
S4：设计最大似然解码器：
S4.1：根据统计理论，水印提取过程被认为是一个二值假设检验问题，设H1和H0分别为在NSST域奇异值中嵌入“1”和“-1”的假设，表示为：
Figure BDA0004200173430000082
其中，xi和yi分别为原始图像和含水印图像的NSST域奇异值系数，α表示嵌入强度参数；
S4.2：设计最大似然解码器：
Figure BDA0004200173430000083
S4.3：根据基于二元T分布的ML解码器，进行具体水印信息提取：
Figure BDA0004200173430000084
S4.4：根据最大似然检测方法，从含水印图像中提取水印序列。
其中，所述步骤2.4中乘性水印嵌入策略如下所示：
Figure BDA0004200173430000091
其中，xi和yi分别表示原始图像和含水印图像的NSST域奇异值系数，α表示水印的嵌入强度。
实施例1
实验测试和参数设置：
实验环境：MATLAB R2011a，NSST参数设置为[2 3]。
图1为NSST域奇异值分解尺度间相关性分析图；
图2为二元T分布(实线)拟合NSST域奇异值双变量经验PDF(虚线)的等值线图；
图3为原始图像与含1024位水印图像；
图4为含水印图像及所提取的水印图；
图5为各种攻击的误码率变化图。
实验结果表明，本发明的方法能够利用二元T分布捕捉NSST域奇异值的尺度间相关性，实现精准建模，在保证不可感知性的同时提高了鲁棒性。
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。

Claims (2)

1.基于二元T分布的数字水印检测方法，其特征在于：
约定：I和I'分别表示原始图像信号和含水印图像信号，N1×N1表示图像尺寸；Dj[x,y]表示非下采样剪切波变换(NSST)域系数，j为子带方向；wl(l＝1,2,...,L)代表水印序列，L是水印长度；Ql为奇异值系数矩阵；Bk为高熵块，k＝1,2,...,L；xi和yi分别表示原始图像和含水印图像的NSST域奇异值系数；α表示水印的嵌入强度；p表示维数，ν表示形状参数，μ表示均值向量，Σ表示协方差矩阵；H1和H0分别为在NSST域奇异值中嵌入“1”和“-1”的假设；
所述基于二元T分布的数字水印检测方法包括水印嵌入和水印提取过程，
所述水印嵌入流程如下：
S1：初始设置：通过初始化设置得到原始图像信号I；
S2：水印嵌入：
S2.1：采用NSST对尺寸大小为N1×N1的原始图像I进行分解，设置参数为[2 3]，得到一个低频子带以及第一尺度8个方向高频子带和第二尺度4个方向高频子带；
S2.2：计算第二尺度能量最大高频子带：
Figure FDA0004200173410000011
Dj[x,y]为NSST域系数，j表示子带方向；
S2.3：将第二尺度能量最大的高频子带划分成不重叠的大小为8×8的图像子块，按照熵值大小降序排列，选择前L个高熵块B1,B2,...,BL进行奇异值分解，得到L个奇异值系数集合Ql(l＝1,2,...,L)；
S2.4：通过乘性水印嵌入策略修改奇异值集合Ql(l＝1,2,...,L)中的奇异值系数，得到含水印的奇异值集合；
S2.5：进行SVD重构和逆NSST变换获取含水印图像I'；
所述水印提取流程如下所示：
S3：基于二元T分布建立模型：
S3.1：采用NSST对尺寸为N1×N1的含水印图像I'进行分解，设置参数为[23]，得到一个低频子带以及第一尺度8个方向和第二尺度4个方向高频子带；
S3.2：分别选取第一尺度和第二尺度高频子带中能量最大的高频方向子带，将这两个高频子带分别划分成不重叠的大小为8×8的图像子块，找到嵌入水印时记录的前L个高熵块Bl(l＝1,2,...,L)进行奇异值分解，得到奇异值系数集合来构造最大似然检测方法实现水印提取；
S3.3：对含水印的奇异值系数集合利用二元T分布进行统计建模，假设p维随机向量服从多元T分布，则多元T分布的联合概率密度函数为：
Figure FDA0004200173410000021
其中：
Figure FDA0004200173410000022
其中，ν表示形状参数，μ表示均值向量，Σ表示协方差矩阵；
S3.4：通过对数矩估计方法估计参数。首先假设向量X＝(X1,X2)T服从二元T分布，求样本X的r阶中心绝对阶矩，然后对mr求导，接着令r＝0，最后综合估计表达式计算参数值；
S3.5：将参数估计值保存，为构造检测方法实现水印提取做准备；
S4：设计最大似然解码器：
S4.1：根据统计理论，水印提取过程被认为是一个二值假设检验问题，设H1和H0分别为在NSST域奇异值中嵌入“1”和“-1”的假设，表示为：
Figure FDA0004200173410000023
其中，xi和yi分别为原始图像和含水印图像的NSST域奇异值系数，α表示嵌入强度参数；
S4.2：设计最大似然解码器：
Figure FDA0004200173410000031
S4.3：根据基于二元T分布的ML解码器，进行具体水印信息提取：
Figure FDA0004200173410000032
S4.4：根据最大似然检测方法，从含水印图像中提取水印序列。
2.根据权利要求1所述的基于二元T分布的数字水印检测方法，其特征在于，所述步骤2.4中乘性水印嵌入策略如下所示：
Figure FDA0004200173410000033
其中，xi和yi分别表示原始图像和含水印图像的NSST域奇异值系数，α表示水印的嵌入强度。
CN202310459291.XA 2023-04-26 2023-04-26 基于二元t分布的数字水印检测方法 Pending CN116416113A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310459291.XA CN116416113A (zh) 2023-04-26 2023-04-26 基于二元t分布的数字水印检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310459291.XA CN116416113A (zh) 2023-04-26 2023-04-26 基于二元t分布的数字水印检测方法

Publications (1)

Publication Number Publication Date
CN116416113A true CN116416113A (zh) 2023-07-11

Family

ID=87059483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310459291.XA Pending CN116416113A (zh) 2023-04-26 2023-04-26 基于二元t分布的数字水印检测方法

Country Status (1)

Country Link
CN (1) CN116416113A (zh)

Similar Documents

Publication Publication Date Title
Susanto et al. Hybrid method using HWT-DCT for image watermarking
Assini et al. A robust hybrid watermarking technique for securing medical image
CN107633476B (zh) 一种基于lwt-svd-dct算法的水印嵌入和提取方法
Megalingam et al. Performance comparison of novel, robust spatial domain digital image watermarking with the conventional frequency domain watermarking techniques
CN108596823A (zh) 一种基于稀疏变换的数字盲水印的嵌入和提取方法
Divecha et al. Implementation and performance analysis of DCT-DWT-SVD based watermarking algorithms for color images
CN102142258A (zh) 一种基于小波变换和Arnold的自适应灰度水印嵌入方法
CN113989096B (zh) 基于深度学习和注意力网络的鲁棒图像水印方法及系统
Patil et al. DWT based invisible watermarking technique for digital images
CN111028850B (zh) 一种音频水印的嵌入方法和提取方法
CN102324234A (zh) 一种基于mp3编码原理的音频水印方法
Nevriyanto et al. Image steganography using combine of discrete wavelet transform and singular value decomposition for more robustness and higher peak signal noise ratio
CN116416113A (zh) 基于二元t分布的数字水印检测方法
Saneie et al. Introducing a new method of robust digital image watermarking against cropping and salt & pepper noise using Sudoku
CN110047495B (zh) 基于2级奇异值分解的大容量音频水印算法
Halima et al. A novel approach of digital image watermarking using HDWT-DCT
Rachmawanto et al. A non-blind robust and impercept watermarking using discrete cosine transform and discrete wavelet transform
Li et al. A novel fingerprinting algorithm with blind detection in DCT domain for images
Sharma et al. Robust image watermarking technique using contourlet transform and optimized edge detection algorithm
CN107910010B (zh) 基于多参数Weibull统计建模的数字水印检测方法
CN107918924B (zh) 基于鲁棒差值的数字图像水印检测方法
Lee et al. Genetic algorithm-based watermarking in discrete wavelet transform domain
Kim et al. An object-based video watermarking
Cui et al. The application of wavelet analysis and audio compression technology in digital audio watermarking
Zhong et al. An optimal wavelet-based image watermarking via genetic algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination